[发明专利]一种基于极限学习机的多视角动作识别方法及装置

说明书

技术领域

本发明涉及人体动作识别领域，尤其涉及一种基于极限学习机的多视角动作识别方法及装置。

背景技术

人体动作识别的一般方法大都是利用摄像机等设备捕获人体动作后，对产生的图像时间序列进行特征提取，然后对其进行分析，获得人体运动特征的有关参数，实现对人体动作的分类。通常在人机交互、智能监控、体育运动分析和基于内容的检索等方面，动作识别技术都存在重要意义。

目前的人体识别算法大都基于步态视频的基础上进行研究，利用摄像机拍摄人体行走、跑步和下蹲等进行分析和识别。已知的单视角方法通常假设人在相机下是可见的，这种假设通常在实际运用中是不常见的，所以适用性是有限的。

发明内容

本发明实施例提供了一种基于极限学习机的多视角动作识别方法及装置，具有使用相对简单，比传统神经网络更快速，得到也不是唯一的输出，而是选取结果大多数一致的分类作为最终结果，精度更高，对未知数据分类能力更好。

本发明实施例提供的一种基于极限学习机的多视角动作识别方法，其特征在于，包括：

S1：获取多个视角下的预置的已标记的动作视频，通过图像分割技术提取已标记的动作视频下的视频帧中的动作时空兴趣点图像，获取已标记的动作视频的姿势向量；

S2：对已标记的动作视频的姿势向量进行模糊化处理，获取已标记的动作视频的离散化动作特征向量，通过已标记的动作视频的离散化动作特征向量和已标记的动作视频的动作标签获得极限学习机的输出权重；

S3：获取多个视角下的预置的未标记的动作视频，通过图像分割技术提取未标记的动作视频下的视频帧中的动作时空兴趣点图像，获取未标记的动作视频的姿势向量，对未标记的动作视频的姿势向量进行模糊化处理，获取 未标记的动作视频的离散化动作特征向量，通过未标记的动作视频的离散化动作特征向量和极限学习机的输出权重，获得多个视角下的预置的未标记的动作视频的分类。

优选地，所述步骤S1具体包括：

获取多个视角下的预置的已标记的动作视频，通过图像分割技术提取已标记的动作视频下的视频帧中的动作时空兴趣点图像，对已标记的动作视频下的视频帧中的动作时空兴趣点图像裁剪成预定像素大小并进行列向量化，获取已标记的动作视频的姿势向量P_ij，其中i表示已标记的动作视频的索引下标，j表示第i个已标记的动作视频下的第j个视频帧，j＝1,2,3,...N_i。

优选地，所述步骤S2具体包括：

通过K邻近算法和已标记的动作视频的姿势向量P_ij产生D个基本姿势向量V_d，通过已标记的动作视频的姿势向量P_ij和基本姿势向量V_d之间的第一模糊相似度公式对已标记的动作视频的动作特征进行模糊化处理，对所述第一模糊相似度进行平均化处理获得已标记的动作视频的离散化动作特征向量S_i，通过已标记的动作视频的离散化动作特征向量S_i和已标记的动作视频的动作标签获得极限学习机的输出权重，其中第一模糊相似度公式为

U_ij＝(||P_ij-V_d||₂)^-2/(m-1)，d＝1,2,...D，U_ij为已标记的动作视频的姿势向量P_ij和基本姿势向量V_d之间的第一模糊相似度，

S_i为已标记的动作视频的离散化动作特征向量。

优选地，所述步骤S3具体包括：

获取多个视角下的预置的未标记的动作视频，通过图像分割技术提取未标记的动作视频下的视频帧中的动作时空兴趣点图像，对未标记的动作视频下的视频帧中的动作时空兴趣点图像裁剪成预定像素大小并进行列向量化，获取未标记的动作视频的姿势向量；

对未标记的动作视频的姿势向量进行模糊化处理，获取未标记的动作视频的离散化动作特征向量，通过未标记的动作视频的离散化动作特征向量和极限学习机的输出权重，获得多个视角下的预置的未标记的动作视频的分类。

优选地，所述步骤S3具体包括：

获取多个视角下的预置的未标记的动作视频，通过图像分割技术提取未标记的动作视频下的视频帧中的动作时空兴趣点图像，对未标记的动作视频下的视频帧中的动作时空兴趣点图像裁剪成预定像素大小并进行列向量化，获取未标记的动作视频的姿势向量；